降水是一種時(shí)空復(fù)雜的氣候過(guò)程,而月降水量預(yù)測(cè)可為水資源管理、水文預(yù)報(bào)分析、洪澇災(zāi)害預(yù)警提供關(guān)鍵參數(shù)。但是氣象條件是復(fù)雜多樣的,降水信息分布在預(yù)報(bào)因子不同頻率的影響下,各預(yù)報(bào)因子與月降水量之間存在復(fù)雜的線性與非線性關(guān)系,然而傳統(tǒng)的預(yù)報(bào)方法沒(méi)有對(duì)預(yù)報(bào)因子進(jìn)行處理和篩選,因此月降水量預(yù)測(cè)的精度普遍不高。為了提高洞庭湖月降水量的預(yù)測(cè)精度以及解決預(yù)報(bào)因子的處理與篩選問(wèn)題,本文提出了一種小波互信息神經(jīng)網(wǎng)絡(luò)模型。首先,具有不同時(shí)滯的大尺度氣候指數(shù)和標(biāo)準(zhǔn)化月降水量作為輸入變量被分解到不同時(shí)間尺度下的子序列,并通過(guò)互信息相關(guān)性分析以確定最佳預(yù)報(bào)因子,然后使用多個(gè)基于粒子群算法優(yōu)化各隱藏層神經(jīng)元個(gè)數(shù)的cascade-forward（CF）神經(jīng)網(wǎng)絡(luò)對(duì)各頻率下的標(biāo)準(zhǔn)化月降水量子序列分別進(jìn)行預(yù)測(cè),最后通過(guò)重構(gòu)和逆標(biāo)準(zhǔn)化得到月降水量預(yù)測(cè)值。本文研究以洞庭湖流域27個(gè)觀測(cè)站點(diǎn)的月降水量預(yù)測(cè)為例,收集和整理了時(shí)間跨度為1961-2012年的洞庭湖流域月降水量和六個(gè)大尺度氣候指數(shù):太平洋年代際振蕩（Pacific Decadal Oscillation,PDO）、印度洋偶極子（Indian Ocean dipole m... 

【文章來(lái)源】：湖南師范大學(xué)湖南省 211工程院校

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
縮略語(yǔ)表
1 引言
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 預(yù)報(bào)因子的預(yù)處理
        1.2.2 預(yù)報(bào)因子的篩選
        1.2.3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化
        1.2.4 時(shí)間序列
        1.2.5 時(shí)間序列預(yù)測(cè)
        1.2.6 傳統(tǒng)時(shí)間序列分析方法
        1.2.7 傳統(tǒng)降水量預(yù)測(cè)模型
2 研究區(qū)概況及數(shù)據(jù)收集
    2.1 研究區(qū)域
    2.2 降水的形成
        2.2.1 降水的時(shí)間變化
        2.2.2 降水變率
        2.2.3 降水的地理分布
        2.2.4 洞庭湖流域降水量變化特征
        2.2.5 洞庭湖流域月降水量數(shù)據(jù)
    2.3 大尺度氣候指數(shù)
        2.3.1 印度洋偶極子
        2.3.2 南極濤動(dòng)
        2.3.3 北大西洋濤動(dòng)
        2.3.4 全球平均氣溫距平
        2.3.5 太平洋年代際振蕩
        2.3.6 北方濤動(dòng)指數(shù)
3 研究方法
    3.1 小波分析
    3.2 互信息相關(guān)性分析
    3.3 神經(jīng)網(wǎng)絡(luò)
    3.4 粒子群優(yōu)化算法
    3.5 評(píng)價(jià)標(biāo)準(zhǔn)
4 小波神經(jīng)網(wǎng)絡(luò)模型
    4.1 神經(jīng)網(wǎng)絡(luò)模型
        4.1.1 基本步驟
        4.1.2 預(yù)報(bào)因子的篩選
        4.1.3 粒子群算法優(yōu)化CF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.4 預(yù)測(cè)結(jié)果
    4.2 小波神經(jīng)網(wǎng)絡(luò)模型基本步驟
    4.3 小波神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)因子處理
    4.4 小波神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果
5 小波互信息神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型
    5.1 基本步驟
    5.2 預(yù)報(bào)因子處理和篩選
    5.3 預(yù)測(cè)結(jié)果
    5.4 結(jié)果分析
6 結(jié)論與展望
    6.1 主要結(jié)論
    6.2 主要?jiǎng)?chuàng)新點(diǎn)
    6.3 討論與展望
參考文獻(xiàn)
附錄（一）
附錄（二）
致謝


【參考文獻(xiàn)】：
期刊論文
[1]19602011年洞庭湖流域降水量變化特征[J]. 徐衛(wèi)紅,葛德祥,李娜,張雙虎,彭輝.  濕地科學(xué). 2016(01)
[2]An Assessment of Indo-Pacific Oceanic Channel Dynamics in the FGOALS-g2 Coupled Climate System Model[J]. 徐騰飛,袁東亮,俞永強(qiáng),趙霞.  Advances in Atmospheric Sciences. 2013(04)
[3]Application of Artificial Neural Networks to Rainfall Forecasting in Queensland,Australia[J]. John ABBOT,Jennifer MAROHASY.  Advances in Atmospheric Sciences. 2012(04)
[4]神經(jīng)網(wǎng)絡(luò)徑流預(yù)報(bào)模型中基于互信息的預(yù)報(bào)因子選擇方法[J]. 趙銅鐵鋼,楊大文.  水力發(fā)電學(xué)報(bào). 2011(01)
[5]一種改進(jìn)的BP算法及在降水預(yù)報(bào)中的應(yīng)用[J]. 閔晶晶,孫景榮,劉還珠,王式功,曹曉鐘.  應(yīng)用氣象學(xué)報(bào). 2010(01)
[6]基于貝葉斯理論的水文線型參數(shù)不確定性分析[J]. 桑燕芳,王棟,吳吉春.  水電能源科學(xué). 2009(06)
[7]基于EMD的降雨徑流神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J]. 馮平,丁志宏,韓瑞光,張建偉.  系統(tǒng)工程理論與實(shí)踐. 2009(01)
[8]洞庭湖區(qū)2000年～2007年農(nóng)業(yè)干旱災(zāi)害特點(diǎn)及成因分析[J]. 李景保,王克林,楊燕,尹輝,周和平.  水資源與水工程學(xué)報(bào). 2008(06)
[9]近百年全球氣溫變化對(duì)長(zhǎng)江流域降水影響分析[J]. 何麗.  資源環(huán)境與發(fā)展. 2007(04)
[10]近百年全球氣溫變化對(duì)長(zhǎng)江流域旱澇災(zāi)害的影響[J]. 何麗,吳宜進(jìn),但長(zhǎng)軍,薜懷平.  中國(guó)農(nóng)業(yè)氣象. 2007(04)



本文編號(hào)：3012414